Mplus数据分析：性别差异gendergap的相关研究如何做？

再出一篇用mplus做的多组比较和中介分析的文章，专门谈谈诸如性别差异的各种研究的分析方法，从本文中大家不止可以知道性别差异，各种差异，各种gap只要你感兴趣都可以套进来这个方法来进行你的研究设计。

今天我们参考的论文是

Lietaert, S., Roorda, D., Laevers, F., Verschueren, K., & De Fraine, B. (2015). The gender gap in student engagement: The role of teachers' autonomy support, structure, and involvement. British Journal of Educational Psychology, 85(4), 498-518.

论文前言感兴趣的同学自己去看，简单来说就是作者观察到男同学和女同学的学习投入（behavioural engagement）是存在差异的，作者就想看一看是不是教师支持(teacher support)可以解释这种差异（用中介分析回答这个问题1），作者还想看一看是不是教师支持对学习投入的作用还在男性女性中存在差异（做调节用多组比较回答这个问题2）。

整体就是这样，争取大家在看了我写的这篇文章后可以对原文的整个统计流程更加清晰，而且在之后可以将该统计设计发散牵引到不止性别差异的各个差异的研究中或者是不同变量相互作用的性别差异的研究中，在做这些研究的时候可以套用此方法回答你自己的研究问题哦。

论文报告方法

根据研究问题1作者做了教师支持的中介作用：

虽然是在结构方程的框架下做的，但是作者依然是分步进行的，第一步model1：只拟合性别到学习投入的效应；第二步model2：加上中介变量，但是令性别对学习投入的直接为0，就是拟合一个完全中介模型；第三步model3：在第二步的基础上对直接效应自由估计；这3个模型都需要报告模型的拟合优度指标，具体包括卡方, p ， RMSEA 和CFI 。

怎么判断是完全中介还是部分中介模型好呢，作者是看model2和model3的模型拟合优度，进行拟合优度的对比，具体看的指标是Δ卡方，ΔCFI，ΔRMSEA

Models fitted the data equally well when at least two of the following requirements were met: Δv2 non-significant at p < .050, ΔCFI < .010, or ΔRMSEA < .015 (Cheung & Rensvold, 2002)

如果这些指标足够小，就说明完全中介模型和部分中介模型，两个模型没差别；指标差异大就说明两模型有差异，比完过后发现model3更好（就说明模型应该加直接效应），并且性别的直接效应也是显著的，所以是部分中介作用成立。上图可以看出这是个多重中介，然后作者报告了每一条间接效应的大小，显著性和bootstrap置信区间。

再看性别的调节作用如何做和报告的：

作者是用结构方程模型的多组比较来说明性别差异的，依然是分3步，第一步model1，自由估计男女组的所有参数；第二步model2：学习投入的载荷在男女中固定为相等；第三步model3：在model2的基础上教师支持的3个维度的相关在男女中固定为相等；第4-6步：因为教师支持有3个维度，4-6步就是3个维度对学习投入的路径系数依次在男女中固定为相等；

怎么判断性别gap是否存在呢？作者依然是比较模型4-6的拟合优度，具体标准和中介部分一样。如果某个效应在男女中固定为相等后模型不变差，那么就不存在性别gap，比如将男性女性中教师支持的维度1对学习投入的路径系数固定为相等后，整个模型拟合优度并没有显著下降，那么就说明男女中此关系相同是符合数据的，所以就不存在gender gap，反之，就存在性别差异。

此部分作者报告了模型的拟合优度，模型比较的时候报告Δ卡方，ΔCFI，ΔRMSEA。

mplus实操

接下来给大家写mplus的实操

因为Δ卡方，ΔCFI，ΔRMSEA都是两个模型的相应指标做差得到的，Δ卡方的p值也可以查阅卡方分布表得到，这些都很简单，所以此部分重点复现中介分析部分的间接效应和置信区间和间接效应显著性检验的做法，调节效应部分的多组比较结构方程的做法。

因为我们需要看多重中介的每条间接效应的显著性和估计值所以在语法的model部分我们得加上Model indirect代码，代码解释如下：

因为我们还需要报告间接效应的bootstrap置信区间所以在analysis的部分应该加上bootstrap命令，代码解释如下

整体代码如下：

title: 祝大家虎年大吉哈
data:
      file = yourdata.txt;
analysis:bootstrap=5000；
model:
！测量模型
！结构模型
Model indirect:
      aiax ind x1;

运行后就可以得到每一条间接效应的估计值和显著性，这样就可以知道具体哪一条的间接效应到底显著不显著啦：

上面的结果就显示了，该多重中介模型中，间接效应总的来说是显著的，具体我们是有3条间接路径，只有通过AUTO这一条是显著的。

下面的结果是每一条间接效应系数的bootstrap置信区间：

模型拟合优度指标全在MODEL FIT INFORMATION中，很简单，这儿就不给大家展示了。

到此中介分析做完。

继续看调节的多组比较做法。

做多组比较的时候首先应该在variable命令中设定组变量，命令如下：

多组比较还涉及到模型系数的固定，在mplus的固定系数的操作命令如下：

原理是：只要系数后面的标签一样就表示固定为一样的系数。在多组比较的时候我们需要在不同的模型中固定不同的系数，这儿给大家展示model3的部分代码：

model f:
    aiax by x19 (1)
            x20 (2)
            x21 (3)
            x22 (4);
    aiax@1;

    auto with comp (5);
    auto with relat (6);
    comp with relat (7);
   model m:
    aiax by x19 (1)
            x20 (2)
            x21 (3)
            x22 (4);
    aiax@1;

     auto with comp (5);
    auto with relat (6);
    comp with relat (7);

上面的代码就表示将男女两组中变量相关和aiax的载荷固定为相同。运行后得到模型的拟合优度和相应载荷和路径系数的估计值，可以看到因为我们代码中进行了固定，所以f组和m组相应变量的载荷都是一样的：

然后再在model3的基础上依次将教师支持的3个维度对学习投入的路径系数固定为相同，通过对不同模型拟合优度的比较就可以回答相应关系是不是存在gendergap了。

原论文的调节分析部分就是掌握多组结构方程模型的分组变量设定和不同组中模型系数的固定就可以啦，其余没有特别之处。

小结

感谢大家耐心看完，自己的文章都写的很细，重要代码都在原文中，希望大家都可以自己做一做，请转发本文到朋友圈后私信回复“数据链接”获取所有数据和本人收集的学习资料。如果对您有用请先记得收藏，再点赞分享。